TUTORIAL

4-STEP TRANSPORT MODELLING

Dengan ArcGIS

Cahyono Susetyo
K.D.M Erli Handayeni
REFERENSI
4-Step Transport Modeling

1. Trip Generation
2. Trip Distribution
3. Modal Split
4. Trip Assignment

3
PEMODELAN TRIP GENERATION
DENGAN SPSS

4
I. TRIP GENERATION

• Dalam estimasi bangkitan pergerakan

(model Trip Generation), Trip
production dianalisa secara terpisah
dengan trip attraction.
• Tujuan membuat model bangkitan
adalah untuk mengestimasi seakurat
mungkin bangkitan lalu lintas pada
kondisi saat ini yang digunakan untuk
memprediksi di masa yang akan
datang.
• Jenis model yang berkembang hingga
saat ini adalah model regresi, model
kategori (cross classification) dan
model trip-rate.

5
I. TRIP GENERATION

Parameter bangkitan perjalanan

(Tamin, 2000):

PRODUKSI/ TARIKAN MANUSIA BANGKITAN DAN

BANGKITAN TARIKAN BARANG
MANUSIA
Pendapatan Luas lantai untuk Jumlah lapangan kerja
kegiatan industri,
komersial,
perkantoran,
pertokoan
Pemilikan kendaraan Lapangan kerja Jumlah tempat
pemasaran
Struktur rumah Aksesibilitas Luas atap industri
tangga
Ukuran rumah tangga Total seluruh daerah
yang ada

Nilai lahan - -
Kepadatan daerah - -
permukiman
aksesibilitas - -

6
I. TRIP GENERATION
PEMODELAN BANGKITAN PERJALANAN DENGAN
MODEL REGRESI LINIER

• Model regresi linier dibentuk melalui

serangkaian prosedur statistik yang digunakan
untuk memprediksi bentuk fungsional dari
model.
• Bentuk fungsional dinyatakan melalui suatu
persamaan (equation) untuk menjelaskan
hubungan sebab-akibat antara variabel
dependen/tak bebas (yaitu jumlah perjalanan
yang terproduksi/tertarik pada zona-zona
perjalanan dalam wilayah studi) dengan
variabel bebas (yaitu karakteristik tata guna
lahan atau atribut populasi yang ada dalam
zona tersebut).

7
I. TRIP GENERATION

Persamaan Teoritis:

‫ݕ‬௉ = f (X1, X2, X3, … . Xn)

‫ݕ‬௉ = a + bX1 + bX2 + bX3 + … . +bXn

‫ݕ‬஺ = f (X1, X2, X3, … . Xm)

‫ݕ‬஺ = a + bX1 + bX2 + bX3 + … . +bXm

Dimana:
• YP adalah jumlah perjalanan yang tertarik pada zona
• YA adalah jumlah perjalanan yang
terbangkitkan/terproduksi pada zona
• Xn adalah variabel/atribut yang memproduksi perjalanan
• Xm adalah variabel/atribut yang menarik perjalanan
• a adalah konstanta
• b adalah koefisien dari variabel/atribut yang menyatakan
efek

Terdapat 2 jenis pemodelan bangkitan pergerakan:

- Model regresi berbasis zona
- Model regresi berbasis rumah tangga

(Untuk penjelasan lebih detail silahkan dibaca buku karangan

Ofyar Tamin Z (2000) berjudul Perencanaan dan Pemodelan
8
Transportasi
I. TRIP GENERATION (Contoh Hasil Pengamatan)

Hipotesis : Bangkitan Pergerakan di tiap TAZ (Kabupaten)

dipengaruhi oleh Jumlah Penduduk, Jumlah Rumah Sakit, ..dst)

Dengan menggunakan SPSS, buat persamaan regresi untuk

data diatas, sehingga didapatkan persamaan (Misalnya);

Bangkitan = 1,75 + (0,8*Jumlah Penduduk) + (0,5* Jumlah

Rumah Sakit)+……….+(0,1*PDRB)

Proyeksikan Bangkitan di Masa Depan dengan Menggunakan

Nilai Variabel-Variabel diatas di Masa Depan
I. TRIP GENERATION
BEBERAPA ASUMSI DALAM MODEL REGRESI LINIER

1. Hubungan yang linier antara variabel independen dengan

variabel dependen
2. Error memiliki distribusi yang normal pada setiap nilai
variabel dependen (x) yang diberikan  perlu uji
normalitas error melalui histogram
3. Variansi dari error model regresi adalah konstan
(homokedastisitas). Jika variansi dari error model regresi
tidak konstan atau variansi antar error yang satu dengan
error yang lain berbeda (disebut sebagai
heteroskedastisitas), maka model regresi tidak lagi
mempunyai variansi yang minimum  bertentangan
dengan konsep minimum/terkecil (least square error) 
pengujian dengan metode grafik melalui regresi nilai
residual (error) dengan variabel dependen (y)
4. Nilai error pada model regresi secara statistik bersifat
independen. Tidak ada gejala Autokorelasi, yaitu
terjadinya korelasi antara satu variabel error dengan
variabel error yang lain. Untuk mendeteksi ada/tidaknya
autokorelasi dalam model regresi linier berganda dapat
digunakan metode Durbin-Watson

BEBERAPA PENGUJIAN DALAM MODEL REGRESI LINIER

1. Koefisien Determinasi: proporsi variansi pada variabel

dependen (y) yang dapat dijelaskan oleh variabel
independen (x) atau rasio terhadap nilai-nilai taksiran ( )
dengan nilai-nilai observasi (y)
2. Menilai kebaikan model (melalui uji F)
3. Uji signifikansi Koefisien (pengujian t-student)
4. Uji multikolinearitas, khusus pada Regresi Berganda 10
I. TRIP GENERATION

DATA INPUT DALAM MODEL REGRESI LINIER BERBASIS ZONA

Bangkitan perjalanan dianalisa berdasarkan zona. Data
penggunaan lahan (variabel X), data trip production (P),
dan data trip attraction (A) seperti contoh tabel berikut:

Zona (TAZ) Penggunaan Lahan (Ha) Jumlah

Perjalanan (y)
X1 X2 X3 X4 …..Xnm P A

1 ……. …… ……. …… ….. …. ……. …….

2 ……. …… ……. …… ….. …. ……. …….

…… ……. …… ……. …… ….. …. ……. …….

n ……. …… ……. …… ….. …. ……. …….

11
I. TRIP GENERATION

CONTOH PEMODELAN BANGKITAN dan TARIKAN

PERJALANAN BERBASIS ZONA MELALUI
MODEL REGRESI LINIER DENGAN SPSS
LU LU Perdagangan Jasa dan Industri Jumlah Penduduk Jumlah Kesempatan Kerja
Jumlah Perjalanan
Permukiman(Ha) (Ha) (Jiwa) (Jiwa)
Zona
Bangkitan (P) Tarikan (A) X1 X2 X3 X4
1 1000 800 10 8 1100 500
2 2000 1000 20 15 2000 800
3 2500 1200 25 19 2600 1100
4 3000 1500 30 24 3100 1450
5 3500 1600 35 30 3600 1800
6 5000 2000 40 35 4800 2000

Pada kasus ini (data yang digunakan hanya ilustrasi), variabel

independen yang mempengaruhi bangkitan perjalanan pada zona
adalah luas penggunaan lahan permukiman (X1) dan jumlah
penduduk (X3), sedangkan variabel luas penggunaan lahan
perdagangan jasa dan industri (X2) dan jumlah kesempatan kerja
(X4) mempengaruhi jumlah tarikan perjalanan pada zona. Berikut
adalah contoh inputnya pada SPSS.

Klik Analyze, pilih Regression Linear

Masukkan variabel dependen (Jumlah Perjalanan terproduksi pada
zona, Jumlah perjalanan tertarik pada zona) dan variabel independen 12

(X1, X2, X3, X4)

I. TRIP GENERATION

Model Regresi untuk Produksi Perjalanan

Jumlah zona yang dianalisis adalah 6

zona

Korelasi kuat
antara jumlah
produksi
perjalanan dengan
luas lahan
permukiman dan
jumlah penduduk.
Secara statistic,
korelasi ini
signifikan.

Koefisien
determinasi (R2)
tinggi sebesar
99,8%

Secara
keseluruhan,
model regresi
dikatakan
signifikan

Koefisien variabel
dikatakan signifikan.
Namun, masih ada
gejala multikolinearitas

13
I. TRIP GENERATION

Pada model sebelumnya ditemukan adanya gejala

multikolinearitas, sehingga variabel independent dipilih salah
satu yang memiliki korelasi paling kuat dengan jumlah
produksi perjalanan, yaitu variabel jumlah penduduk (X3).

Koefisien
determinasi (R2)
tinggi sebesar
99,5%

Secara
keseluruhan,
model regresi
dikatakan
signifikan

Koefisien variabel
dikatakan signifikan dan
tidak ada gejala
multikolinearitas

Berdasarkan hasil di atas, model bangkitan perjalanan adalah:

YP = -204,271 + 1,060 X3

14
I. TRIP GENERATION

Model Regresi untuk Tarikan Perjalanan

Proses dan prosedur statistik yang sama juga dilakukan untuk

menghasilkan model regresi untuk tarikan perjalanan.
Berdasarkan kasus ini, model yang dihasilkan adalah sebagai
berikut.

Jumlah zona yang dianalisis adalah 6

zona

Korelasi kuat
antara jumlah
produksi
perjalanan dengan
luas lahan
permukiman dan
jumlah penduduk.
Secara statistic,
korelasi ini
signifikan. Variabel
luas lahan
perdagangan dan
jasa memiliki
korelasi lebih
tinggi
dibandingkan
jumlah
kesempatan kerja,
sehingga variabel
ini saja yang
dimasukkan dalam
model

15
I. TRIP GENERATION

Koefisien
determinasi (R2)
tinggi sebesar
99,5%

Secara
keseluruhan,
model regresi
dikatakan
signifikan

Koefisien variabel
dikatakan signifikan dan
tidak ada gejala
multikolinearitas

Berdasarkan hasil di atas, model tarikan perjalanan adalah:

YA = 400,306 + 43,497 X2

16
I. TRIP GENERATION

Beberapa catatan dari kedua persamaan

(bangkitan dan tarikan perjalanan) yang
dihasilkan pada kasus ini adalah persamaan
tersebut mempunyai nilai intersep
(konstanta) yang cukup tinggi yang dapat
mengisyaratkan terdapatnya tingkat
galat/eror yang cukup tinggi yang mungkin
disebabkan oleh beberapa faktor berikut:
1. mungkin Y tidak berhubungan secara
linear dengan X; bisa saja secara tidak-
linear;
2. mungkin terdapat peubah X lain yang
juga mempengaruhi besarnya
pergerakan. Akan tampak bahwa
3. meskipun nilai x = 0, nilai bangkitan
pergerakan bertanda minus,
sedangkan nilai tarikan pergerakan
sebesar 400,306. Jelas ini menandakan
adanya variabel lain (misalnya sosia-
ekonomi) yang turut mempengaruhi
besarnya besarnya bangkitan
pergerakan
4. terdapat galat/eror dalam
pengumpulan data (galat pengukuran) 17
I. TRIP GENERATION
CONTOH PEMODELAN BANGKITAN PERJALANAN
BERBASIS RUMAH TANGGA MELALUI
MODEL REGRESI LINIER DENGAN SPSS

Keragaman dalam suatu zona (intrazona) mungkin bisa dikurangi

dengan memperkecil luas zona, apalagi jika zona tersebut
homogen. Akan tetapi, zona yang
lebih kecil juga akan mempunyai keragaman yang cukup besar dan
mempunyai dua konsekuensi:
1. model menjadi lebih mahal dalam hal pengumpulan data,
kalibrasi, dan operasi;
2. galat sampel menjadi lebih tinggi

Karena itu, sangatlah masuk akal jika kita merumuskan model yang
tidak berdasarkan batas zona. Pada awal tahun 1970-an, unit
analisis yang paling cocok adalah rumah tangga (bukan individu).

Pada tabel di bawah ini contoh ilustrasi data pergerakan berbasis

rumah tangga (dengan 100 data rumah tangga). Data ini dapat
menjadi input dalam analisis regresi linier untuk memodelkan
bangkitan perjalanan bersekolah dengan variabel bebas Jumlah
Kendaraan (X1), Jumlah Anggota Keluarga (X2), Pendapatan (X3)
Jumlah yang
Jumlah Jumlah anggota Pendapatan (dalam
Sampel rumah tangga bersekolah dalam
kendaraan keluarga satuan 000.000 rupiah)
satu rumah tangga
1 3 2 5 6
2 4 3 6 8
3 3 2 5 7
4 2 2 4 8
5 3 1 6 5
6 2 1 4 4
7 2 1 5 5
…. ….. ….. ….. …..
100 2 2 5 8 18
I. TRIP GENERATION

Korelasi kuat
antara jumlah
bangkitan
bersekolah
dengan jumlah
kendaraan dan
jumlah anggota
keluarga dengan
korelasi yang
signifikan. Korelasi
kecil dan tidak
signifikan dengan
variabel
pendapatan

Pada uji korelasi di atas menunjukkan bahwa variabel pendapatan

tidak memiliki korelasi yang signifikan secara statistik dengan jumlah
pergerakan bersekolah pada rumah tangga. Oleh karena itu, variabel
ini dikeluarkan dalam pemodelan. Berikut adalah hasil pengujian
pemodelan bangkitan perjalanan bersekolah dengan variabel bebas:
jumlah kendaraan dan jumlah anggota keluarga. Koefisien
determinasi (R2)
cukup tinggi
sebesar 75,9%

Secara
keseluruhan,
model regresi
dikatakan
signifikan

19
I. TRIP GENERATION

Koefisien variabel jumlah kendaraan tidak signifikan, sedangkan jumlah anggota keluarga memiliki
nilai koefisien yang signifikan. Oleh karena itu, variabel jumlah kendaraan dikeluarkan dalam model
dan dilakukan tahap pemodelan dari awal.

Selanjutnya, pemodelan bangkitan perjalanan bersekolah dilakukan

dengan menggunakan variabel jumlah anggota keluarga. Hasil
pengujian model diperoleh seperti tabel di bawah ini.

20
I. TRIP GENERATION
Pada output model regresi, diperoleh beberapa hasil pengujian:
1. Koefisien determinasi sebesar 51,1%
2. Pengujian model secara keseluruhan dikatakan signifikan
melalui uji ANOVA (uji F)
3. Pengujian signifikansi koefisien variabel menunjukkan nilai
yang signifikan (Ho ditolak)
4. Tanda koefisien variabel jumlah anggota keluarga (bertanda
+) yang sudah tepat
5. Nilai konstanta yang tidak terlalu besar (-1,125)

Sehingga persamaan model regresi bangkitan perjalanan

bersekolah (berbasis rumah tangga) adalah:

Y = -1,125 + 0,750 X2

Untuk model berbasis zona, nilai zona keseluruhan mudah

didapat karena model tersebut ditaksir dengan menggunakan
data berbasis zona. Untuk model berbasis rumah tangga,
perhitungan jumlah bangkitan pergerakan dihasilkan dari
perkalian antara nilai rata-rata setiap zona untuk setiap peubah
yang ada pada model tersebut dengan jumlah rumah tangga
yang ada di setiap zona. Pada contoh kasus ini, maka total
bangkitan per zona dihitung sesuai dengan formula:

Ti = Hi (-1,125 + 0,750 X2i)

dengan Ti adalah jumlah pergerakan yang berbasis rumah di

dalam zona tersebut, Hi adalah jumlah rumah tangga di zona
tersebut, dan Xji adalah rata-rata nilai Xj dari zona tersebut
21
I. TRIP GENERATION

Pergerakan
Rata-rata Jumlah Total Pergerakan
bersekolah per Total Rumah
Zona Anggota Keluarga Bersekolah
Rumah Tangga Tangga
(X2i) Y Ti
1 5.5 3 500 1,500
2 5 2.625 1200 3,150
3 5 2.625 300 788
4 5 2.625 200 525
5 5 2.625 400 1,050
6 4.5 2.25 600 1,350

Tabel di atas menunjukkan total pergerakan bersekolah setiap zona

berdasarkan hasil model regresi bangkitan perjalanan berbasis
rumah tangga.

#NOTE
Model bangkitan perjalanan melalui Model
Regresi Linier dikatakan baik jika memenuhi
kriteria-kriteria berikut:

 semakin banyak peubah bebas/variabel

independen yang digunakan, semakin baik
model tersebut;
 tanda koefisien regresi (+/−) sesuai dengan
yang diharapkan;
 nilai konstanta/intersep regresi kecil (semakin
mendekati nol, semakin baik);
 nilai koefisien determinasi (R2) besar (semakin
mendekati satu, semakin baik 22
I. TRIP GENERATION

Model bangkitan dan tarikan pergerakan dibentuk secara

terpisah. Pembaca pasti mengetahui bahwa model tidak akan
selalu dapat menghasilkan jumlah pergerakan yang
dibangkitkan (dari setiap zona asal Oi) yang selalu sama
dengan jumlah pergerakan yang tertarik (ke setiap zona tujuan
Dd).

Syarat batas ini harus dipenuhi karena sangat dibutuhkan pada tahap
berikutnya, yaitu sebaran pergerakan. Tidaklah mungkin kita
mempunyai Matriks Asal−Tujuan (MAT) yang mempunyai nilai T yang
berbeda-beda apabila kita jumlahkan semua baris (Oi) dengan
menjumlahkan semua kolom (Dd)

Solusinya bersifat pragmatik, yang mencoba melihat kecenderungan

hasil kajian yang menyatakan bahwa biasanya model bangkitan
pergerakan jauh lebih baik dibandingkan dengan model tarikan
pergerakan. Misalnya model bangkitan pergerakan menggunakan
model yang didasarkan pada data rumah tangga atau individu
dengan peubah yang baik, sedangkan model tarikan pergerakan
didasarkan hanya pada data agregat berbasis zona.

Karena itu, secara praktis dapat kita lihat bahwa jumlah pergerakan
yang dihasilkan dengan menjumlahkan semua zona asal (Oi)
merupakan nilai yang benar untuk T. Oleh karena itu, semua Dd
harus dikalikan dengan faktor modifikasi seperti terlihat
pada persamaan di bawah ini yang akan menjamin penjumlahan
semua Dd pasti akan selalu sama dengan T.

23
PEMODELAN TRIP DISTRIBUTION
DENGAN MODEL GRAVITY
(DOUBLY CONSTRAINT) DENGAN
EXCEL

24
II Trip Distribution : Matrix Asal-Tujuan

Pola pergerakan dalam sistem transportasi sering dijelaskan dalam

bentuk arus pergerakan (kendaraan, penumpang, dan barang) yang
bergerak dari zona asal ke zona tujuan di dalam daerah tertentu dan
selama periode waktu tertentu. Matriks Pergerakan atau Matriks
Asal−Tujuan (MAT) sering digunakan oleh perencana transportasi
untuk menggambarkan pola pergerakan tersebut.

MAT adalah matriks berdimensi dua yang berisi informasi mengenai

besarnya pergerakan antarlokasi (zona) di dalam daerah tertentu.
Baris menyatakan zona asal dan kolom menyatakan zona tujuan,
sehingga sel matriks-nya menyatakan besarnya arus dari zona asal ke
zona tujuan. Dalam hal ini, notasi Tid menyatakan besarnya arus
pergerakan (kendaraan, penumpang, atau barang) yang bergerak dari
zona asal i ke zona tujuan d selama selang waktu tertentu

BENTUK UMUM MAT

25
II Trip Distribution : Matrix Asal-Tujuan

MODEL GRAVITY

Metode ini berasumsi bahwa ciri bangkitan dan tarikan

pergerakan berkaitan dengan beberapa parameter zona
asal, misalnya populasi dan nilai sel MAT yang berkaitan
juga dengan aksesibilitas (kemudahan) sebagai fungsi jarak,
waktu, atau pun biaya. Newton menyatakan bahwa (Fid) gaya
tarik atau tolak antara dua kutub massa berbanding lurus
dengan massanya, mi dan md, dan berbanding terbalik
kuadratis dengan jarak antara kedua massa tersebut, d id

Dalam ilmu geografi, gaya dapat dianggap sebagai pergerakan

antara dua daerah; sedangkan massa dapat digantikan dengan
peubah seperti populasi atau bangkitan dan tarikan pergerakan;
serta jarak, waktu, atau biaya sebagai ukuran aksesibilitas
(kemudahan). Jadi, untuk keperluan transportasi, model GR
dinyatakan sebagai:

26
II Trip Distribution : Matrix Asal-Tujuan

Terdapat 4 jenis model GR yaitu tanpa-batasan (UCGR),

dengan-batasan-bangkitan (PCGR), dengan-batasan-tarikan
(ACGR), dan dengan-batasan-bangkitan-tarikan (PACGR). Model
PCGR dan ACGR sering disebut model dengan-satu-batasan
(SCGR), sedangkan model PACGR disebut model dengan-dua-
batasan (DCGR)

Model DCGR(Doubly Constaint) Dalam hal ini, bangkitan dan

tarikan pergerakan harus selalu sama dengan yang dihasilkan oleh
tahap bangkitan pergerakan. Model yang digunakan adalah

tetapi dengan syarat batas:

Kedua faktor penyeimbang (Ai dan Bd) menjamin bahwa total

‘baris’ dan ‘kolom’ dari matriks hasil pemodelan harus sama
dengan total ‘baris’ dan ‘kolom’ dari matriks hasil bangkitan
pergerakan. Seperti yang telah diterangkan, proses
pengulangan nilai Ai dan Bd dilakukan secara bergantian. Hasil
akhir akan selalu sama, dari manapun pengulangan dimulai
(‘baris’ atau ‘kolom’). Dalam ilustrasi ini,
pengulangan dimulai dengan menganggap nilai awal B1 = B2 =
B3 = B4 = 1. Hasil akhir juga tidak tergantung pada nilai awal.
Nilai awal dapat berupa nilai berapa saja asal lebih besar nol.
Hal ini hanya akan berpengaruh pada jumlah pengulangan
untuk mencapai konvergensi. Semakin besar perbedaan
antara nilai awal dengan
nilai akhir, semakin banyak jumlah pengulangan yang 27

dibutuhkan untuk mencapai konvergensi

II Trip Distribution : Matrix Asal-Tujuan

Tahapan Perhitungan TD dengan Pendekatan Doubly

Constraint dengan Excel

1. Buat Matriks MAT yang memuat nilai Oi dan Dd

2. Membuat matriks MAT yang memuat ukuran aksesibilitas
(kemudahan) sebagai fungsi jarak, waktu, atau pun biaya
(Cid)
ᵦ
3. Menghitung nilai beta ( ) untuk memperoleh nilai f (Cid)
dengan formula:
4. Menghitung nilai Ai dan Bd dengan menganggap nilai
awal Bd = 1. Pengulangan perhitungan (iterasi) Ai dan
Bd dilakukan hingga nilai Ai konvergen.
5. Menghitung nilai Tid dengan formula:

28
1

29
PEMODELAN TRIP DISTRIBUTION
DENGAN OPPORTUNITY MODEL

30
II Trip Distribution : Pengambilan Data

Dilakukan untuk Tiap-Tiap TAZ (Kelurahan)

Misalkan :
- Traffic Counting mencatat 1500 Pergerakan di Kelurahan Keputih

- Dari 1500 Pergerakan tersebut ATAU dengan melakukan Home-

Based Survey, diambil 100 Sampel, hasilnya:
• 5 responden Tetap Menuju Kelurahan Keputih
• 10 responden Menuju Kelurahan Klampis Ngasem
• 20 responden Menuju Kelurahan Medokan Semampir
• 30 responden Menuju Kelurahan Menur Pumpungan
• 35 Responden Keluar dari Kecamatan Nginden Jangkungan

- Dengan Demikian, Trip Distribution dari Kelurahan Keputih

Adalah:
• 75 responden Tetap Menuju Kelurahan Keputih
• 150 responden Menuju Kelurahan Klampis Ngasem
• 300 responden Menuju Kelurahan Medokan Semampir
• 450 responden Menuju Kelurahan Menur Pumpungan
• 525 responden Keluar dari Kecamatan Nginden Jangkungan

- Proyeksikan Trip Distribution ini dengan menggunakan Proyeksi

Bangkitan Pergerakan di Masa Depan
- Proses perhitungan trip distribution dengan menggunakan Home-
Based Survey dan Traffic Counting dapat dilihat pada halaman
berikut.
II Trip Distribution : Matrix Asal-Tujuan

SAMPEL DISTRIBUSI PERGERAKAN (100 Responden)

TUJUAN
Klampis Medokan Menur Nginden
Keputih TOTAL
Ngasem Sempampir Pumpungan Jangkungan
Asal

Keputih 5 10 20 30 35 100

PROPORSI DISTRIBUSI PERGERAKAN

TUJUAN
Klampis Medokan Menur Nginden
Keputih TOTAL
Ngasem Sempampir Pumpungan Jangkungan
Asal

Keputih 0.05 0.1 0.2 0.3 0.35 100

Oleh Karena Traffic Counting Mencatat ada 1.500 Pergerakan di

Kelurahan Keputih, Maka Distribusi Pergerakan dari Kelurahan ini
Adalah:
DISTRIBUSI PERGERAKAN
TUJUAN
Klampis Medokan Menur Nginden
Keputih TOTAL
Ngasem Sempampir Pumpungan Jangkungan
Asal

Keputih 75 150 300 450 525 1500

*data hanya sebagai ilustrasi

32
TUTORIAL PEMODELAN TRIP
ASSIGNMENT DENGAN ARCGIS

33
Metode yang digunakan:

1. Trip Generation :
Multiple Linear Regression Analysis
Pedoman Penyusunan RIJL 2010 (hal. 27)

2. Trip Distribution
Home-Based Survey
Pedoman Penyusunan RIJL 2010 (hal. 28)

3. Modal Split
Semua Jenis Kendaraan dikonversi dalam Satuan Massa
Penumpang SMP(Manual Kapasitas Jalan)

Alternatif lain: Pemodelan Pilihan (Buku Ajar hal.107-108)

4. Traffic Assignment:
All or Nothing
Pedoman Penyusunan RIJL 2010 (hal. 29)
I. TRIP GENERATION

BANGKITAN PERGERAKAN DI KECAMATAN SUKOLILO*

KELURAHAN BANGKITAN
Gebang Putih 1000
Keputih 1500
Klampis Ngasem 2000
Medokan Semampir 1500
Menur Pumpungan 1000
Nginden Jangkungan 1500
Semolowaru 2000
*data hanya sebagai ilustrasi

35
II Trip Distribution : Matrix Asal-Tujuan

DISTRIBUSI PERGERAKAN DI KECAMATAN SUKOLILO*

TUJUAN
Gebang Klampis Medokan Menur Nginden
Keputih Semolowaru
Putih Ngasem Sempampir Pumpungan Jangkungan

Gebang
Putih 100 200 100 300 75 125 100

Keputih 200 100 300 350 150 200 200

Klampis
Ngasem 250 350 150 400 300 300 250
ASAL

Medokan
Semampir 200 200 200 100 300 350 150

Menur
Pumpungan 75 125 100 200 100 100 300

Nginden
Jangkungan 150 200 200 200 300 100 350

Semolowaru 300 300 250 250 400 350 150

*data hanya sebagai ilustrasi

36
III. Modal Split dengan Metode SMP:

Konversi Kendaraan yang disurvey pada Tahap Sebelumnya dengan

menggunakan satuan konversi sebagai berikut:

- Kendaraan Besar = 3 SMP

- Kendaraan Sedang = 1,5 SMP
- Sepeda Motor = 0,3 SMP

Konversi diatas bisa diubah berdasarkan pengamatan di Lapangan atau merujuk pada Manual
Kapasitas Jalan Raya

Contoh : Modal Split Untuk Kelurahan Gebang Putih

Bus Mobil Sepeda Motor Total Bangkitan
Jumlah SMP Jumlah SMP Jumlah SMP Total SMP
Gebang Putih 20 60 20 30 70 20 100 110
Keputih 220
Klampis
Ngasem
110

Medokan
Semampir
330

Menur
Pumpungan
83
Nginden
Jangkungan
138

Semolowaru 110

Contoh : Modal Split Berdasarkan SMP

TUJUAN
Gebang Klampis Medokan Menur Nginden
Keputih Semolowaru
Putih Ngasem Sempampir Pumpungan Jangkungan

Gebang
Putih 110 220 110 330 83 138 110
ASAL

Keputih

Klampis
Ngasem
III. Modal Split dengan Metode SMP:

Konversi menggunakan satuan konversi sebagai berikut:

• Kendaraan Besar = 1,5 SMP
• Kendaraan Sedang = 1 SMP
• Sepeda Motor = 0,3 SMP

Distribusi Pergerakan Untuk Kecamatan Sukolilo (SMP)*

TUJUAN
Gebang Klampis Medokan Menur Nginden
Keputih Semolowaru
Putih Ngasem Sempampir Pumpungan Jangkungan

Gebang
Putih 110 220 110 330 83 138 110

Keputih 220 110 330 385 165 220 220

Klampis
Ngasem 275 385 165 440 330 330 275
ASAL

Medokan
Semampir 220 220 220 110 330 385 165

Menur
Pumpungan 83 138 110 220 110 110 330

Nginden
Jangkungan 165 220 220 220 330 110 385

Semolowaru 330 330 275 275 440 385 165

*data hanya sebagai ilustrasi

38
IV : Traffic Assignment:

Download Peta Digital Kota Surabaya:

[Link]
Sumber peta: Modifikasi dari [Link]/en/data-surabaya/

Pada ArcCatalog, Browse pada folder tempat download data di

atas, kemudian Drag “Roads_Network” ke Table of Contents

!! Pelajari Setting Roads_Network

dengan Klik Kanan, pilih Propertis,
dan pelajari Network Data
Properties

39
IV : Traffic Assignment:
Atur tampilan Data View, minimal memuat Layer
Roads_Network dan Kecamatan_Sukolilo

Aktifkan Extension
“Network Analyst”

Klik Kanan Toolbar

ArcMap, dan centang 40

“Network Analyst:
IV : Traffic Assignment:
Pada Toolbar Network Analyst, Klik “New Closest Facility” dan
kemudian Klik “Network Analysis Window”

Pada Network Analysis Window, Klik Facilities , Klik Load

Locations, dan kemudian pilih Kecamatan_Sukolilo. Lakukan
proses yang sama untuk Incidents. Setelah itu klik Closest
Facility Properties

41
IV : Traffic Assignment:

Pada Layer Properties, pilih Tab Analysis Settings, kemudian

pada kolom Facilities to Find, isi 7 (Jumlah Kelurahan di
Kecamatan Sukolilo. Pelajari pula Setting pada Tab-Tab lainnya.

Pada Toolbar Network Analyst, Klik Solve

42
IV : Traffic Assignment:

Tampilan Jika Proses Berhasil Dijalankan:

Klik kanan Routes, dan pilih Export Data (Mis: Traffic Assignment)

43
IV : Traffic Assignment:

Klik kanan file hasil export, dan pilih Open Attribute Table

Pada Table, klik Add Field, dan tambahkan Field “Volume_SMP”,

Dengan tipe data adalah “Double”

Pada Toolbar Editor, klik “Start

Editing”, pilih “Traffic Assignment” 44
IV : Traffic Assignment:

Isi data pada kolom Volume_SMP sesuai dengan Matrix Asal-

Tujuan pada tahap Trip Distribution

Proses ini bisa dilakukan pada ArcMap, bisa pula dilakukan pada
Excel (kemudian di-join table di ArcMap).

45
IV : Traffic Assignment:

Tahap berikutnya adalah memecah rute Origin-Destination

berdasarkan segmen jalan.
Buka ArcToolbok, kemudian pilih Data Management -> Features -> Split
Line at Point. Point disini adalah Persimpangan Jalan. Beri nama output
misal: Traffic_Assignment_Segment

46
IV : Traffic Assignment:

Tahap berikutnya adalah menghitung volume kendaraan per-

segmen jalan.

Buka Tabel Atribut file Traffic_Assignment_Segment (dibuat

pada halaman sebelumnya), dan tambahkan field “Center_X”,
“Center_Y”, dan “Angle”, semuanya berbentuk “Double”

Klik kanan Field

Center_X, pilih Calculate
Geometry, dan Pilih ”X
Coordinate of
Midpoint”. Lakukan hal
yang cama untuk Field
Center_Y, dan pilih “Y
Coordinate of
Midpoint”.

47
IV : Traffic Assignment:

Untuk Field “Angle”, Klik kanan dan pilih Field Calculator.

Centang “Phyton, dan copy-paste script dari
[Link] sebagai berikut,
dan klik OK:

48
IV : Traffic Assignment:

Langkah berikutnya adalah menjumlahkan volume kendaraan

tiap segmen jalan.

Buka ArcToolbok, kemudian pilih Data Management -> Generalization -

> Dissolve. Inputnya adalah Traffic_Assignment_Segment, dan beri nama
output misal: Segment_Volume. Setting untuk proses dissolve
disamakan dengan gambar dibawah, dan klik OK

49
IV : Traffic Assignment:

Tampilkan Volume Kendaraan untuk tiap segmen (Dalam SMP)

seperti berikut

Klik kanan Layer Segment_Volume, pilih Properties, dan klik tab

Symbology. Pilih Graduated Symbol, dan tentukan SUM_Volume dalam
Field terpilih. Kemudian Klik Template

50
IV : Traffic Assignment:

Pada Symbol Selector, pilih “Arrow at The End”, dan kemudian

klik Edit Symbol

51
IV : Traffic Assignment:

Pada Symbol Property Editor, pilih “Cartographic Line Symbol”,

pilih “Line Properties”, isi kolom Offset dengan nilai 4, pilih
Panah ke Kanan, dan kemudian klik Properties

Setelah itu Klik Symbol,

dan kemudian klik Edit
Symbol

52
IV : Traffic Assignment:

Pilih bentuk panah yang diinginkan, termasuk “mask”.

Klik OK beberapa kali hingga kembali ke tampilan berikut;

53
IV : Traffic Assignment:

Ubah warna dan ukuran garis untuk masing-masing

representasi volume kendaraan, misalnya sebagai berikut;

Tampilan akhir peta;

54
IV : Traffic Assignment:

Langkah-Langkah Berikutnya:

Tambahkan Field “Kapasitas Jalan” untuk tiap-tiap segmen, dan

kemudian hitung V/C Ratio untuk tiap-tiap segemen. Tampilkan
pada peta sebagaimana dijelaskan pada tutorial ini

Evaluasi tingkat pelayanan untuk tiap-tiap segmen, dan

tentukan segmen-segmen yang tingkat pelayanannya sangat
rendah.

Prediksi tingkat pelayanan tiap segmen di masa depan dengan

menggunakan data Trip Generation sampai Modal Split di masa
depan.

55
 TUTORIAL
4-STEP TRANSPORT MODELLING
MENGGUNAKAN ARCGIS

56